Show simple item record

dc.contributor.authorLópez-Sarmiento, Danilo A.
dc.contributor.authorManta-Caro, Héctor C.
dc.contributor.authorVera-Parra, Nelson E.
dc.date.accessioned2019-07-18T14:10:15Z
dc.date.accessioned2019-08-20T15:44:42Z
dc.date.available2019-07-18T14:10:15Z
dc.date.available2019-08-20T15:44:42Z
dc.date.issued2011-11-30
dc.identifierhttps://revistas.itm.edu.co/index.php/tecnologicas/article/view/99
dc.identifier10.22430/22565337.99
dc.identifier.urihttp://hdl.handle.net/20.500.12622/927
dc.description.abstractEn este artículo se compara el desempeño de una máquina de vectores de soporte de mínimos cuadrados multi-clase (multi-class Least Square Support Vector Machine mc-LSSVM) frente a un clasificador por regresión logística multi-clase, ante el problema del reconocimiento de dígitos numéricos (0-9) escritos a mano. Para desarrollar la comparación se usó un set de datos compuesto por 5000 imágenes de dígitos numéricos escritos a mano (500 imágenes por cada número del 0-9), cada imagen de 20 x 20 pixeles. La entrada a cada uno de los sistemas evaluados fueron vectores de dimensión 400, correspondientes a cada imagen (no se realizó extracción de características). Ambos clasificadores utilizan la estrategia Uno contra todos (OneVsAll) para habilitar la multi-clasificación y una función de validación cruzada aleatoria para el proceso de minimización de la función de costo. Las métricas de comparación fueron la precisión y el tiempo de entrenamiento bajo las mismas condiciones computacionales. Ambas técnicas evaluadas presentaron una precisión superior al 95 %, siendo LS-SVM ligeramente más precisa. Sin embargo, en el costo computacional sí se encontró una diferencia notoria: LS-SVM requiere un tiempo de entrenamiento 16,42 % inferior al requerido por el modelo basado en regresión logística bajos las mismas condiciones computacionales.spa
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.publisherInstituto Tecnológico Metropolitano (ITM)spa
dc.relationhttps://revistas.itm.edu.co/index.php/tecnologicas/article/view/99/99
dc.rightsCopyright (c) 2017 Tecno Lógicasspa
dc.source2256-5337
dc.source0123-7799
dc.sourceTecnoLógicas; Num. 31 (2013); 37-51eng
dc.sourceTecnoLógicas; Num. 31 (2013); 37-51spa
dc.subjectMáquina de vectores de soportespa
dc.subjectmínimos cuadradosspa
dc.subjectregresión logísticaspa
dc.subjectclasificadorspa
dc.subjectdígitos numéricosspa
dc.titleClasificador basado en una máquina de vectores de soporte de mínimos cuadrados frente a un clasificador por regresión logística ante el reconocimiento de dígitos numéricosspa
dc.title.alternativeLeast square support vector machine classifier vs a logistic regression classifier on the recognition of numeric digits
dc.subject.keywordsSupport vector machineeng
dc.subject.keywordsleast squareeng
dc.subject.keywordslogistic regressioneng
dc.subject.keywordsclassifiereng
dc.subject.keywordsnumeric digits.eng
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeResearch Paperseng
dc.typeArtículos de investigaciónspa
dc.relation.ispartofjournalTecnoLógicas
dc.description.abstractenglishIn this paper is compared the performance of a multi-class least squares support vector machine (LSSVM mc) versus a multi-class logistic regression classifier to problem of recognizing the numeric digits (0-9) handwritten. To develop the comparison was used a data set consisting of 5000 images of handwritten numeric digits (500 images for each number from 0-9), each image of 20 x 20 pixels. The inputs to each of the systems were vectors of 400 dimensions corresponding to each image (not done feature extraction). Both classifiers used OneVsAll strategy to enable multi-classification and a random cross-validation function for the process of minimizing the cost function. The metrics of comparison were precision and training time under the same computational conditions. Both techniques evaluated showed a precision above 95 %, with LS-SVM slightly more accurate. However the computational cost if we found a marked difference: LS-SVM training requires time 16.42 % less than that required by the logistic regression model based on the same low computational conditions. eng
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.type.coarhttp://purl.org/coar/resource_type/c_6501


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record